Яндекс глаз


Всевидящий глаз Яндекс.Директа — Блог о контекстной рекламе

Ну что – вот и пришла пора новой статьи в стиле “А4 на полу”. Чуем, когда-нибудь реально выйдет книжка с названием “Яндекс.Директ в картинках”.

И данная статья будет самой короткой и самой простой. В данном блоге она третья по счёту (ссылки на 2 другие дадим в конце статьи, чтобы заранее не читали). Но эта же статья будет первой по счёту в pdf-методичке, которую мы вскоре сделаем. Это будет отредактированный копипаст 3-х статей “А4 на полу”, просто красиво оформленный в виде pdf-ки и свободно распространяемый через наш сайт affcontext.ru. В январе 2016 года планируется уже переделать главную страницу сайта и «заточить» её на скачивание методички.

Итак, начнём-с.

Статья называется “Всевидящий глаз Яндекс.Директа”. Это, конечно же, для привлечения внимания. А более близкая тема к любому начинающему рекламодателю в Яндекс.Директе – это “какие цены ставить при запуске рекламы?”

И именно понимание этого момента сделает дальнейшее изучение следующих статей более простым и понятным.

Почему же всё таки “Глаз…”?. А потому что мы наглядно покажем, как видят одну и ту же ситуацию рекламодатель и сама система Яндекс.Директа. И будет всего лишь несколько базовых принципов, которые надо будет запомнить.

Допустим, вы занимаетесь продажей ёлок перед Новым Годом в г. Омске (в момент написания статьи у автора играла новогодняя музыка и это было 20-е декабря. Уж такое настроение!)

И вот вы только-только настроили рекламную кампанию и хотите выставить цены. Заходите внутрь кампании, смотрите, к примеру, на фразу “купить ёлку” и видите:

Давайте в статье я буду говорить только про позицию “”вход в спецразмещение”. Всё равно суть одна и та же для любой позиции.

Так вот, мышление начинающего рекламодателя в этот момент можно выразить так:

А с Яндекс.Директом как бы происходит такой диалог:

Судья хорош. Он у нас и будет в роли “Всевидящего глаза”

Но такое мышление – в корне неправильное. И здесь мы подошли к 1-му важному моменту, который звучит так:

Ключевая фраза содержит подфразы

Визуально это выглядит вот так:

Как вы уже заметили, зеленое выделение — это как раз те слова, которые должны быть в подфразе, чтобы вызвать показ вашего объявления. Их огромное количество — люди ищут совершенно по-разному.

Т.е. любой запрос, который содержит внутри себя слова из ключевой фразы, вызовет показ вашего объявления.

Вроде бы – “и что?”. Уже чувствуем этот вопрос у вас.

А суть в том, что та цена, которую вы видите в интерфейсе Яндекс.Директа, относится лишь к общей ключевой фразе:

Вы видите ценник лишь для общей фразы

Вы видите лишь рекомендуемую цену для общей фразы. НО каждая подфраза, на самом деле, имеет свой “порог” цены для входа в спецразмещение. Просто вы это не видите в своём аккаунте, когда смотрите на одну лишь общую фразу.

А теперь давайте покажем, как это выглядит для системы Яндекс.Директа. А вот так:

Система то всё видит для себя. Система знает цену входа в спецразмещение абсолютно для любой ключевой фразы. Но вам не показывает. Давайте даже на одной картинке отобразим, как это видите вы, и как система:

Тепе-е-е-е-рь то уже можно вести диалог по другому:

Например, вы решили поставить цену в 50 р. Тогда вы получите спец.размещение для таких фраз:

А если поставите цену в 90р, то для таких

НО!!! Вся суть в том, что это же вид со стороны системы. А для вас это выглядит вот так.

Вы-то не видите реальные цены, которые вам готова предложить система для какой-либо подфразы. Вы просто должны понимать, что ценой вы регулируете возможность показа по каким-то подфразам.

Вы можете ставить цену ниже рекомендуемой от системы

Теперь вы понимаете (мы сильно на это надеемся), что ваша цена влияет лишь на возможный объём фраз, по которым вы можете показываться.

Ну а если вы рекламируетесь ещё и по нескольким регионам, то в нашу картину просто добавляется разбивка по городам. И вы своей ценой (любой, л-ю-б-о-й ценой) попадаете в спецразмещение по каким-то фразам в каких-то городах! По каким – знает лишь система:

Но показы будут…и клики тоже!

Собственно…это и есть самые важные мысли статьи…но ещё не её конец.Повторим самое важное:

1) Ключевая фраза содержит подфразы2) Вы видите ценник для общей фразы3) Вы можете ставить цену ниже рекомендуемой от системы

И здесь ваш мозг снова может сгенерировать вопрос

Цену то какую ставить?

Ответ такой – какую-нибудь небольшую для старта. В разы меньшую, чем рекомендует система. И вообще, мы рекомендуем вам выставлять цену на уровне всей кампании, вот здесь:

Как выбрать эту цену? Чтобы не усложнять и не увеличивать статью, ответим  так – просмотрите 10-15 фраз в вашем аккаунте, определите у разнообразия рекомендуемых цен некое среднее значение…и разделите его на 3. Всё, этого достаточно.

Вы можете запуститься с ценой, в 3 раза меньше рекомендуемой

И потом ваша задача будет заключаться в том, чтобы следить за ежедневным расходом. Расход будет! Даже при ставке, в разы меньшей рекомендуемой – расход и клики будут! Это подробнее рассказано в статье “Шлагбаум бюджета в Яндекс.Директ”.

Всё! Теперь вы знаете, что вашим расходом вы сами можете управлять, выставляя ту или иную цену клика.

И ещё раз подведём итоги всех тезисов:

1) Ключевая фраза содержит подфразы2) Вы видите ценник для общей фразы3) Вы можете ставить цену ниже рекомендуемой от системы4) Вы можете запуститься с ценой, в 3 раза меньше рекомендуемой

Возможно, что сразу суть статьи не будет идеально понятна. Рекомендуем тогда перечитать её обдуманно несколько раз. А потом идти читать другие статьи в нашем блоге :).

В заключение хочется дать ссылки на 2 другие статьи в этом же стиле + просто другие общие статьи:

— Шлагбаум бюджета в Яндекс.Директе (сначала читаем эту статью)— Почему низкочастотные фразы вас не спасут (потом эту)— Почему НЕ стоит обращать внимания на уведомления Яндекса о вытеснении из спец. размещения— Нужно ли делить рекламу на регионы

Спасибо за внимание. И с Наступающим Новым Годом!

————-

P.S. В начале 2016 мы анонсировали методичку «Яндекс.Директ в картинках». Там собраны все 3 статьи в стиле «А4 на полу». Скачать её абсолютно бесплатно можно на нашем сайте — affcontext.ru

—————

Если вам понравились наши статьи и вы хотите получать свежие посты на свой e-mail, то просто подпишитесь на нашу рассылку. В левой панели (где ссылки и vk-виджет) есть кнопка «Подписаться«. Кликайте на неё!

blog.affcontext.ru

Компания Яндекс — Технологии — Компьютерное зрение

Способность видеть, то есть воспринимать информацию об окружающем мире с помощью органов зрения, — одно из важных свойств человека. Посмотрев на картинку, мы, почти не задумываясь, можем сказать, что на ней изображено. Мы различаем отдельные предметы: дом, дерево или гору. Мы понимаем, какой из предметов находится ближе к нам, а какой — дальше. Мы осознаём, что крыша домика — красная, а листья на дереве — зелёные. Наконец, мы можем с уверенностью заявить, что наша картинка — это пейзаж, а не портрет или натюрморт. Все эти выводы мы делаем за считанные секунды.

Компьютеры справляются со многими задачами гораздо лучше, чем человек. Например, они гораздо быстрей считают. Однако такое, казалось бы, несложное задание, как найти на картинке дом или гору, может поставить машину в тупик. Почему так происходит?

Человек учится распознавать — то есть находить и отличать от других — объекты всю жизнь. Он видел дома, деревья и горы бессчётное количество раз: как в действительности, так и на картинах, фотографиях и в кино. Он помнит, как выглядят те или иные предметы в разных ракурсах и при разном освещении.

Машины создавались для того, чтобы работать с числами. Необходимость наделить их зрением возникла относительно недавно. Распознавание номерных знаков автомобилей, чтение штрихкодов на товарах в супермаркете, анализ записей с камер наблюдения, поиск лиц на фото, создание роботов, умеющих находить (и обходить) препятствия, — всё это задачи, которые требуют от компьютера способности «видеть» и интерпретировать увиденное. Набор методов, позволяющих обучить машину извлекать информацию из изображения — будь то картинка или видеозапись, — называется компьютерным зрением.

Как учится компьютер

Чтобы компьютер находил на изображениях, скажем, домики, нужно его этому научить. Для этого необходимо составить обучающую выборку. В нашем случае это будет коллекция картинок. Она, во-первых, должна быть достаточно большой (невозможно научить чему-то на двух-трёх примерах), во-вторых — репрезентативной (необходимо, чтобы она отражала природу данных, с которыми мы работаем), а в-третьих, должна содержать как положительные («на этой картинке есть домик»), так и отрицательные («на этой картинке нет домика») примеры.

После того как мы составили выборку, в дело вступает машинное обучение. В ходе обучения компьютер анализирует изображения из выборки, определяет, какие признаки и комбинации признаков указывают на то, что на картинке — домик, и просчитывает их значимость. Если обучение прошло успешно (чтобы удостовериться в этом, проводятся проверки), то машина может применять полученные знания «на практике» — то есть находить домики на любых картинках.

Анализ изображения

Человеку ничего не стоит выделить на картинке важное и неважное. Компьютеру это сделать гораздо сложнее. В отличие от человека, он оперирует не образами, а числами. Для компьютера изображение — это набор пикселей, у каждого из которых есть своё значение яркости или цвета. Чтобы машина смогла получить представление о содержимом картинки, изображение обрабатывают с помощью специальных алгоритмов.

Сначала на картинке выявляют потенциально значимые места — то есть предполагаемые объекты или их границы. Это можно сделать несколькими способами. Рассмотрим, к примеру, алгоритм Difference of Gaussians (DoG, разность гауссиан). Он подразумевает, что исходную картинку несколько раз подвергают размытию по Гауссу, каждый раз используя разный радиус размытия. Затем результаты сравнивают друг с другом. Этот способ позволяет выявить на изображении наиболее контрастные фрагменты — к примеру, яркие пятна или изломы линий.После того как значимые места найдены, их описывают в числах. Запись фрагмента картинки в числовом виде называется дескриптором. С помощью дескрипторов можно быстро, полно и точно сравнить фрагменты изображения, не используя сами фрагменты. Существуют разные алгоритмы получения дескрипторов — например, SIFT, SURF, HOG и многие другие.

Поскольку дескриптор — это числовое описание данных, то сравнение изображений — одна из важнейших задач в компьютерном зрении — сводится к сравнению чисел. Дескрипторы выражены довольно большими числами, поэтому их сравнение может требовать заметных вычислительных ресурсов. Чтобы ускорить вычисления, дескрипторы распределяют по группам, или кластерам. В один и тот же кластер попадают похожие дескрипторы с разных изображений. Операция распределения дескрипторов по кластерам называется кластеризацией.

После кластеризации данный дескриптор изображения сам по себе можно не рассматривать; важным становится лишь номер кластера с дескрипторами, наиболее похожими на данный. Переход от дескриптора к номеру кластера называется квантованием, а сам номер кластера — квантованным дескриптором. Квантование существенно сокращает объём данных, которые нужно обработать компьютеру.

Опираясь на квантованные дескрипторы, компьютер выполняет такие задачи, как распознавание объектов и сравнение изображений. В случае с распознаванием квантованные дескрипторы используются для обучения классификатора — алгоритма, который отделяет изображения «с домиком» от изображений «без домика». В случае со сравнением картинок компьютер сопоставляет наборы квантованных дескрипторов с разных изображений и делает вывод о том, насколько похожи эти изображения или их отдельные фрагменты. Такое сравнение лежит в основе поиска дубликатов и поиска по загруженной картинке.Это лишь один подход к анализу изображения, поясняющий, как компьютер «видит» предметы. Существуют и другие подходы. Так, для распознавания изображений всё чаще применяются нейронные сети. Они позволяют выводить важные для классификации признаки изображения непосредственно в процессе обучения. Свои методы работы с изображением используются и в узких, специфических областях — например, при чтении штрихкодов.

Где используется компьютерное зрение

В умении распознавать человек, однако, пока оставляет компьютер далеко позади. Машина преуспела лишь в определённых задачах — например, в распознавании номеров или машинописного текста. Успешно распознавать разнородные объекты и произвольные сцены (разумеется, в условиях реальной жизни, а не лаборатории) компьютеру всё ещё очень трудно. Поэтому когда мы вводим в поисковую строку в Яндекс.Картинках слова «карбюратор» или «танцующие дети», система анализирует не сами изображения, а преимущественно текст, который их сопровождает.

Тем не менее, в ряде случаев компьютерное зрение может выступать серьёзным подспорьем. Один из таких случаев — это работа с лицами. Рассмотрим две связанные друг с другом, но разные по смыслу задачи: детектирование и распознавание.

Часто бывает достаточно просто найти (то есть детектировать) лицо на фотографии, не определяя, кому оно принадлежит. Так работает фильтр «Лица» в Яндекс.Картинках. Например, по запросу [формула-1] будут найдены главным образом фотографии гоночных болидов. Если же уточнить, что нас интересуют лица, Яндекс.Картинки покажут фотографии гонщиков.

В иных ситуациях нужно не только отыскать лицо, но и узнать по нему человека («Это — Вася»). Такая функция есть в Яндекс.Фотках. При распознавании система берёт за образец уже размеченные фотографии с человеком, поэтому область поиска сильно сужается. Имея десять фотографий, на которых уже отмечен Вася, узнать его на одиннадцатом снимке будет несложно. Если Вася не хочет, чтобы его знали в лицо, он может запретить отмечать себя на фото.

Одна из самых перспективных сфер применения компьютерного зрения — дополненная реальность. Так называют технологию, которая предусматривает наложение виртуальных элементов (например, текстовых подсказок) на картину реального мира. Примером могут быть, например, мобильные приложения, которые позволяют получить информацию о доме, направив на него камеру телефона или планшета. Дополненная реальность уже применяется в программах, сервисах и устройствах, но пока находится только в начале пути.

yandex.ru

Как это работает? Компьютерное зрение — Блог Яндекса

Способность видеть, то есть воспринимать информацию об окружающем мире с помощью органов зрения, — одно из важных свойств человека. Посмотрев на картинку, мы, почти не задумываясь, можем сказать, что на ней изображено. Мы различаем отдельные предметы: дом, дерево или гору. Мы понимаем, какой из предметов находится ближе к нам, а какой — дальше. Мы осознаём, что крыша домика — красная, а листья на дереве — зелёные. Наконец, мы можем с уверенностью заявить, что наша картинка — это пейзаж, а не портрет или натюрморт. Все эти выводы мы делаем за считанные секунды.

Компьютеры справляются со многими задачами гораздо лучше, чем человек. Например, они гораздо быстрей считают. Однако такое, казалось бы, несложное задание, как найти на картинке дом или гору, может поставить машину в тупик. Почему так происходит?

Человек учится распознавать — то есть находить и отличать от других — объекты всю жизнь. Он видел дома, деревья и горы бессчётное количество раз: как в действительности, так и на картинах, фотографиях и в кино. Он помнит, как выглядят те или иные предметы в разных ракурсах и при разном освещении.

Машины создавались для того, чтобы работать с числами. Необходимость наделить их зрением возникла относительно недавно. Распознавание номерных знаков автомобилей, чтение штрихкодов на товарах в супермаркете, анализ записей с камер наблюдения, поиск лиц на фото, создание роботов, умеющих находить (и обходить) препятствия, — всё это задачи, которые требуют от компьютера способности «видеть» и интерпретировать увиденное. Набор методов, позволяющих обучить машину извлекать информацию из изображения — будь то картинка или видеозапись, — называется компьютерным зрением.

Как учится компьютерЧтобы компьютер находил на изображениях, скажем, домики, нужно его этому научить. Для этого необходимо составить обучающую выборку. В нашем случае это будет коллекция картинок. Она, во-первых, должна быть достаточно большой (невозможно научить чему-то на двух-трёх примерах), во-вторых — репрезентативной (необходимо, чтобы она отражала природу данных, с которыми мы работаем), а в-третьих, должна содержать как положительные («на этой картинке есть домик»), так и отрицательные («на этой картинке нет домика») примеры.

После того как мы составили выборку, в дело вступает машинное обучение. В ходе обучения компьютер анализирует изображения из выборки, определяет, какие признаки и комбинации признаков указывают на то, что на картинке — домик, и просчитывает их значимость. Если обучение прошло успешно (чтобы удостовериться в этом, проводятся проверки), то машина может применять полученные знания «на практике» — то есть находить домики на любых картинках.

Анализ изображенияЧеловеку ничего не стоит выделить на картинке важное и неважное. Компьютеру это сделать гораздо сложнее. В отличие от человека, он оперирует не образами, а числами. Для компьютера изображение — это набор пикселей, у каждого из которых есть своё значение яркости или цвета. Чтобы машина смогла получить представление о содержимом картинки, изображение обрабатывают с помощью специальных алгоритмов.

Сначала на картинке выявляют потенциально значимые места — то есть предполагаемые объекты или их границы. Это можно сделать несколькими способами. Рассмотрим, к примеру, алгоритм Difference of Gaussians (DoG, разность гауссиан). Он подразумевает, что исходную картинку несколько раз подвергают размытию по Гауссу, каждый раз используя разный радиус размытия. Затем результаты сравнивают друг с другом. Этот способ позволяет выявить на изображении наиболее контрастные фрагменты — к примеру, яркие пятна или изломы линий.

После того как значимые места найдены, их описывают в числах. Запись фрагмента картинки в числовом виде называется дескриптором. С помощью дескрипторов можно быстро, полно и точно сравнить фрагменты изображения, не используя сами фрагменты. Существуют разные алгоритмы получения дескрипторов — например, SIFT, SURF, HOG и многие другие.

Поскольку дескриптор — это числовое описание данных, то сравнение изображений — одна из важнейших задач в компьютерном зрении — сводится к сравнению чисел. Дескрипторы выражены довольно большими числами, поэтому их сравнение может требовать заметных вычислительных ресурсов. Чтобы ускорить вычисления, дескрипторы распределяют по группам, или кластерам. В один и тот же кластер попадают похожие дескрипторы с разных изображений. Операция распределения дескрипторов по кластерам называется кластеризацией.

После кластеризации данный дескриптор изображения сам по себе можно не рассматривать; важным становится лишь номер кластера с дескрипторами, наиболее похожими на данный. Переход от дескриптора к номеру кластера называется квантованием, а сам номер кластера — квантованным дескриптором. Квантование существенно сокращает объём данных, которые нужно обработать компьютеру.

Опираясь на квантованные дескрипторы, компьютер выполняет такие задачи, как распознавание объектов и сравнение изображений. В случае с распознаванием квантованные дескрипторы используются для обучения классификатора — алгоритма, который отделяет изображения «с домиком» от изображений «без домика». В случае со сравнением картинок компьютер сопоставляет наборы квантованных дескрипторов с разных изображений и делает вывод о том, насколько похожи эти изображения или их отдельные фрагменты. Такое сравнение лежит в основе поиска дубликатов и поиска по загруженной картинке.

Это лишь один подход к анализу изображения, поясняющий, как компьютер «видит» предметы. Существуют и другие подходы. Так, для распознавания изображений всё чаще применяются нейронные сети. Они позволяют выводить важные для классификации признаки изображения непосредственно в процессе обучения. Свои методы работы с изображением используются и в узких, специфических областях — например, при чтении штрихкодов.

Где используется компьютерное зрениеВ умении распознавать человек, однако, пока оставляет компьютер далеко позади. Машина преуспела лишь в определённых задачах — например, в распознавании номеров или машинописного текста. Успешно распознавать разнородные объекты и произвольные сцены (разумеется, в условиях реальной жизни, а не лаборатории) компьютеру всё ещё очень трудно. Поэтому когда мы вводим в поисковую строку в Яндекс.Картинках слова «карбюратор» или «танцующие дети», система анализирует не сами изображения, а преимущественно текст, который их сопровождает.

Тем не менее, в ряде случаев компьютерное зрение может выступать серьёзным подспорьем. Один из таких случаев — это работа с лицами. Рассмотрим две связанные друг с другом, но разные по смыслу задачи: детектирование и распознавание.

Часто бывает достаточно просто найти (то есть детектировать) лицо на фотографии, не определяя, кому оно принадлежит. Так работает фильтр «Лица» в Яндекс.Картинках. Например, по запросу [формула-1] будут найдены главным образом фотографии гоночных болидов. Если же уточнить, что нас интересуют лица, Яндекс.Картинки покажут фотографии гонщиков.

В иных ситуациях нужно не только отыскать лицо, но и узнать по нему человека («Это — Вася»). Такая функция есть в Яндекс.Фотках (скоро она станет доступна и в новом интерфейсе Фоток). При распознавании система берёт за образец уже размеченные фотографии с человеком, поэтому область поиска сильно сужается. Имея десять фотографий, на которых уже отмечен Вася, узнать его на одиннадцатом снимке будет несложно. Если Вася не хочет, чтобы его знали в лицо, он может запретить отмечать себя на фото.

Одна из самых перспективных сфер применения компьютерного зрения — дополненная реальность. Так называют технологию, которая предусматривает наложение виртуальных элементов (например, текстовых подсказок) на картину реального мира. Примером могут быть, например, мобильные приложения, которые позволяют получить информацию о доме, направив на него камеру телефона или планшета. Дополненная реальность уже применяется в программах, сервисах и устройствах, но пока находится только в начале пути.

yandex.ru

Уникальный контент глазами Яндекса не является основным показателем качественного сайта

Как не тупо звучит, но контент на сайте – это не основной показатель качества сайта. Еще несколько месяцев назад я бы такого никогда не писал, так как мне на это ответили, что – это нонсенс. Зачем тогда было создавать кучи программ и сервисов для проверки уникальности текстов? В начале этого года я столкнулся с тем, что мой сайт, который полностью состоит с уникального контента, и не продает ссылок в сапе и других биржах ссылок — загремел в АГС, а это говорит только о том, что алгоритмы Яндекса просто не предсказуемы.

Сейчас, как и ранее, что бы быстро вогнать сайт в поисковую выдачу Яндекса нужно было сделать 2-е вещи:

1) Добавлять уникальный контент2) Ставить или покупать на сайт трастовые ссылки

Контент показывал поисковым роботам, что сайт обновляется и это увеличивает вероятность быстрой индексации, а внешние SEO ссылки говорят об авторитетности самого контента и сайта в целом, что он просто должен быть в индексе.

Так же понятие уникальности текста информация тоже относительная, так как посмотрев на уникальность своих текстов я увидел, что нулевые сайты просто у меня копируют контент и в полной мере находятся в поисковой выдаче, а мой сайт почему то зафильтровало.

Как же можно попытаться разрулить ситуацию и попытаться сделать контент уникальным? Для этого я проставляю по 5-10 ссылок на каждую статью на сайте. Этот Вариант помогает продвинуть нч и сч запросы, а так же логичным является тот факт, что если на сайт ссылаются другие сайты, то собственно его материал и является источником информации. По крайней мере — это вполне логично.

В переписке с поддержкой яндекса я приводил сайты, которые воруют у меня контент, причем в тексте на меня стоят ссылки через редирект, про что тоже было написано в поддержку. В ответ Яндекс отмалчивается и пишет только то, что его алгоритмы видят недостаточно качественным сайт.

В 2-х словах немного про сам сайт:

1) Тематика сайта развлекательного характера2) Стандартный шаблон на WP3) Около 100 статей уникального контента4) Адсендс5) Счетчик посещаемости

Нет ни одной исходящей ссылки на сайте, кроме блока контекстной рекламы и счетчика посещаемости. За что накладывать фильтр на такой сайт? Честно говоря я не совсем понимаю. Если учесть тот факт, что Google всегда давал больше трафика, то в принципе Яндекс не особо и нужен, но лишний трафик не помешает никогда.

Для того, что бы наглядно показать то, что для Яндекса уникальный контент не совсем важен (а стоит он очень дорого), я просто процитирую один из последних ответом поддержки:

В данный момент Ваш сайт всё ещё не полностью соответствует нашему пониманию качественных сайтов, на основании которого алгоритмы принимают решение о включении тех или иных страниц в поиск. Это решение принимается в результате анализа многих факторов, описанных в предыдущих письмах, поэтому мы не можем выделить какой-то конкретный. Уникальный контент — не единственный критерий качества. Продолжайте развивать Ваш сайт в соответствии с нашими рекомендациями из прошлых писем, и со временем он сможет быть представлен в выдаче большим числом страниц.

После такого ответа тяжело о чем-то спорить или говорить, так как с моей точки зрения основным на сайте является его содержимое, а содержимое в первую очередь – это и есть качественный контент. Почему уникальный контент не есть основным критерием качества сайта пока не понятно.

Делайте сайты для людей и тогда теоретически они не попадут под фильтры поисковых систем, но бывают не приятные исключения, которые приходятся воспринимать, как глюк и просто улыбаться на такие ответы технической поддержки.

П.С. Запрос «новости» в ТОП10, «хостинг» в ТОП1 — раскрутка сайтов любой сложности от компании Web-Promo

seokiev.com


Смотрите также